| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 频繁项集挖掘算法研究现状 | 第10-11页 |
| 1.2.2 频繁项集挖掘算法并行化研究现状 | 第11-12页 |
| 1.3 论文研究目的及主要工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 频繁项集挖掘与并行计算概述 | 第14-29页 |
| 2.1 频繁项集挖掘概述 | 第14-18页 |
| 2.1.1 频繁项集 | 第14-15页 |
| 2.1.2 频繁项集挖掘 | 第15页 |
| 2.1.3 频繁项集挖掘算法 | 第15-18页 |
| 2.2 并行处理与并行算法 | 第18-21页 |
| 2.2.1 并行处理 | 第19-20页 |
| 2.2.2 并行算法 | 第20-21页 |
| 2.2.3 频繁项集挖掘并行算法 | 第21页 |
| 2.3 GPU和CUDA并行技术 | 第21-28页 |
| 2.3.1 GPU和CPU的区别 | 第21-22页 |
| 2.3.2 CUDA简介 | 第22-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于GPU的FPNR-growth并行算法设计与实现 | 第29-41页 |
| 3.1 FP-growth算法 | 第29-32页 |
| 3.2 FP-growth算法并行化简述 | 第32-33页 |
| 3.3 FPNR-growth算法FP-array存储方式 | 第33-36页 |
| 3.3.1 FP-array数据结构 | 第33-34页 |
| 3.3.2 FP-array的构建 | 第34-36页 |
| 3.4 FPNR-growth算法的CUDA GPU并行实现 | 第36-39页 |
| 3.4.1 分配线程 | 第36-37页 |
| 3.4.2 并行挖掘频繁项集 | 第37-39页 |
| 3.5 FPNR-growth算法整体流程 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于GPU的FPBR-growth并行算法设计与实现 | 第41-54页 |
| 4.1 引言 | 第41页 |
| 4.2 基于GPU的FP-tree并行化构建 | 第41-50页 |
| 4.2.1 位表矩阵存储结构 | 第41-43页 |
| 4.2.2 BR-tree | 第43-46页 |
| 4.2.3 BR-tree的并行化构建 | 第46-47页 |
| 4.2.4 FP-tree到BR-tree的映射 | 第47-50页 |
| 4.3 基于GPU并行化挖掘FP-tree | 第50-52页 |
| 4.3.1 TD-FP-growth算法 | 第50-51页 |
| 4.3.2 TD-FP-growth并行化 | 第51-52页 |
| 4.4 算法实现 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 实验测试与分析 | 第54-61页 |
| 5.1 测试环境 | 第54-55页 |
| 5.2 测试数据集 | 第55页 |
| 5.3 测试方法 | 第55-56页 |
| 5.4 实验结果与分析 | 第56-60页 |
| 5.4.1 中等稠密数据集T40I10D100K性能测试 | 第56-57页 |
| 5.4.2 中等稀疏数据集Retail性能测试 | 第57-58页 |
| 5.4.3 小型稀疏数据集Mushroom性能测试 | 第58-59页 |
| 5.4.4 大型稠密数据集Accidents性能测试 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-62页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 论文发表情况 | 第68页 |
